Embeddings 料金計算機 (15+ モデル比較)

OpenAI / Voyage / Cohere / Gemini / Mistral / Together など 15+ Embedding モデルの初期インデックス構築コスト + 月次クエリコストを試算。次元数・最大トークン・MRL (Matryoshka Representation Learning) 対応も一覧。

完全無料登録不要ブラウザ完結 5 言語対応ダークモード

⚠ 価格は 2026-04 時点。最新は各社公式を確認: OpenAI · Voyage · Cohere · Google

関連: 🪓 RAG チャンカー · 🪙 LLM トークン計算

📚 インデックス構築 (1 回)

総ドキュメント数 1 ドキュ平均トークン

🔍 クエリ (月次)

月のクエリ数 1 クエリ平均トークン

📊 概算

インデックス入力

0 tokens

月間クエリ入力

0 tokens

モデル	次元	Max tok	$/MT	インデックス費	月次クエリ費	合計 (1 ヶ月目)	MRL

※ 価格は 2026-04 時点。MRL = Matryoshka Representation Learning (次元を後から削減可能)。

📖 つまずきやすいポイント

文書量とモデルを指定して、Embedding の初期構築コストと月々の検索コストを見積もります。処理はブラウザ内で完結します。ここで出るのは API 料金だけです — 実際の RAG の総コストには、ベクトルデータベースの月額、埋め込みし直し (再インデックス) の費用、そして検索結果を LLM に渡す推論コストが乗ります。多くの構成では、最後の推論コストが Embedding の何十倍になります。

ケース	何が起きるか	どうする
初期構築の費用だけを見て決める	文書 10 万件の埋め込みが数ドルで終わると分かると安心してしまいますが、その数字は一度きりのものです。実際に効いてくるのは、文書が更新されるたびの再埋め込みと、検索クエリごとの埋め込みです。1 日 1 万クエリなら、月 30 万回ぶんのクエリ埋め込みが常時発生します。	「初期 × 1 回」「更新分 × 頻度」「クエリ × 月間回数」の 3 つを分けて足してください。クエリの埋め込みは 1 件あたり数十トークンと小さいので、安いモデルを使い分ける選択肢もあります (文書側とクエリ側は同じモデルである必要があります — ベクトル空間が違うと距離が意味を持ちません)。同じモデル内での次元削減オプションがあるなら、そちらのほうが実用的です。
次元数が大きいモデルを選ぶ	次元数はそのままベクトルデータベースの保存容量とメモリ使用量に効きます。3072 次元を float32 で持つと 1 ベクトルあたり 12KB、100 万件で 12GB です。1536 次元なら半分、768 次元なら 4 分の 1 になります。API 料金より、この保存側のコストのほうが後から効いてくることがよくあります。検索速度も次元数に比例して遅くなります。	まず小さい次元で作って精度を測り、足りなければ上げてください。多くの用途では 768〜1024 次元で十分です。次元削減に対応したモデルなら、同じモデルのまま出力次元を落とせるので、作り直しの手戻りが小さくて済みます。保存容量が問題になる規模では、float32 を int8 に量子化すると 4 分の 1 になり、精度の低下は数パーセントに収まることが多い、という選択肢もあります。
モデルを乗り換えるときの費用を見ていない	埋め込みモデルを変えると、既存のベクトルはすべて無効になります。ベクトル空間が違うため、新旧を混ぜて距離を測ることは原理的にできません。つまり全文書の再埋め込みが必須で、初期構築と同額がもう一度かかります。モデルの世代交代は 1〜2 年で来るので、これは「もし」ではなく「いつ」の話です。	設計の段階で「どのモデルで埋め込んだか」をベクトルと一緒に保存してください。移行時に、どれが古い世代かを判別できるかどうかで作業量が変わります。あわせて、元テキストを必ず保持しておくこと — 再埋め込みには原文が要るので、チャンクだけ捨てていると、文書の取得からやり直しになります。移行は新旧のインデックスを並行運用し、検索精度を比較してから切り替えると安全です。

コストを下げる最も効果的な手段は、そもそも埋め込む量を減らすことです。全社の文書を丸ごと入れるより、実際に検索される範囲だけを入れたほうが、安く、速く、精度も上がります — 無関係な文書が増えるほど、検索結果に紛れ込むノイズも増えるためです。更新のたびに全件を埋め込み直す運用も避けてください。文書ごとにハッシュを持ち、内容が変わったものだけ再埋め込みするだけで、日々のコストは大きく下がります。分割の設計は RAG テキストチャンカーに、トークン数の見積もりはトークンカウンターにまとめてあります。

📖 使い方

1

インデックスのサイズを入力

ドキュメント数 × 平均トークン数
2

月のクエリ量を入力

クエリ数 × 平均トークン数 (短いことが多い)
3

比較表で意思決定

予算 / 次元 / 精度のトレードオフを一覧で

❓ よくある質問

インデックスは 1 回？

そう、初回構築時のみ。新しいドキュメントを追加した分だけ追加コスト発生

次元の選び方は？

512-1536 が一般的。MRL モデルなら学習後に切り詰められる (例: 3072 → 512 で精度ほぼ維持)

オープンソースは？

BGE / E5 / Nomic 等は無料 (自前ホスティング)。CPU/GPU + ベクトル DB のコストが別途。比較表は API のみ

🐛 このツールで問題が発生しましたか？

完全無料・登録不要。再現手順だけでも結構です。届いたご報告は運営者に直接届き、修正の参考にします。